改进松鼠搜索算法在多目标优化中的应用与性能比较

本文主要讨论了基于松鼠搜索算法（Squirrel Search Algorithm, SSA）的改进和应用。SSA是一种受到松鼠觅食行为启发的优化算法，被设计用于解决单峰、多峰和多维优化问题。尽管SSA在解决这些问题上表现出高效性，但像其他群体智能算法一样，它也存在一些局限性，如全局收敛性的不足。 一种名为改进的松鼠搜索算法（Improved Squirrel Search Algorithm, ISSA）被提出以克服这些缺点。ISSA的核心改进包括： 1. **自适应捕食者存在概率策略**：该策略旨在平衡算法的探测和开发能力，通过动态调整捕食者存在的概率，使得算法在全局搜索和局部搜索之间找到更好的平衡。 2. **引入正态云模型**：利用正态云模型来模拟松鼠觅食行为中的随机性和模糊性，增加了算法的探索能力，使其能够在复杂环境中更有效地搜索。 3. **连续位置选择策略**：这一策略确保飞行松鼠能够保持最佳位置，从而改善算法的性能，特别是在维护个体最优解方面。 4. **维度搜索增强策略**：为了提高局部搜索能力，ISSA采用了一种新的策略，这有助于算法在接近局部最优解时进行更深入的探索。 通过在32个基准函数上进行测试，包括单峰、多峰和CEC2014函数，实验结果显示ISSA相对于基本的SSA和其他先进的优化算法具有更优的全局搜索性能。 此外，针对动态多目标优化问题（Dynamic Multi-Objective Optimization, DMO），另一种名为动态多目标松鼠搜索算法（Dynamic Multi-Objective Improved Squirrel Search Algorithm, DMOISSA）被提出。DMOISSA结合了进化方向预测和双向记忆种群分解，以适应不断变化的环境。它为每个个体分配了修改向量、正记忆种群和反向记忆种群，以预测进化方向并保留历史信息。这种设计提高了算法的收敛速度和在不同瞬态环境中的寻优能力。 DMOISSA还采用了两种不同的SSA搜索策略，以适应多目标进化算法（MOEA/D）在不同进化阶段的需求。这些改进使DMOISSA在帕累托前沿的收敛性和分布上表现优秀，从而在处理DMOPs测试函数时显示出优于其他动态多目标优化算法的性能，具备更好的收敛性、分布性和环境适应性。 SSA及其改进版本在多目标优化领域展现出了强大的潜力，它们通过模拟自然界的松鼠行为，提供了有效的问题求解策略。这些方法不仅增强了算法的全局搜索和局部搜索能力，还能够适应动态变化的优化环境，为未来的算法设计提供了有价值的参考。